ترجمه فارسی مقاله کمیت عدم اطمینان در پیش بینی های آب و هوا با گروه های همبستگی

چکیده

Large climate model ensembles are the primary tool for robustly projecting future climate states and quantifying projection uncertainty. Despite significant advancements in climate modeling over the past few decades, overall projection certainty has not commensurately decreased with steadily improving model skill. We introduce conformal ensembling, a new approach to uncertainty quantification in climate projections based on conformal inference to reduce projection uncertainty. Unlike traditional methods, conformal ensembling seamlessly integrates climate model ensembles and observational data across a range of scales to generate statistically rigorous, easy-to-interpret uncertainty estimates. It can be applied to any climatic variable using any ensemble analysis method and outperforms existing inter-model variability methods in uncertainty quantification across all time horizons and most spatial locations under SSP2-4.5. Conformal ensembling is also computationally efficient, requires minimal assumptions, and is highly robust to the conformity measure. Experiments show that it is effective when conditioning future projections on historical reanalysis data compared with standard ensemble averaging approaches, yielding more physically consistent projections.

چکیده به فارسی (ترجمه ماشینی)

مجموعه های بزرگ مدل آب و هوا ابزار اصلی برای پیش بینی محکم حالت های آب و هوایی در آینده و کمیت عدم اطمینان از پیش بینی هستند.علیرغم پیشرفت های چشمگیر در مدل سازی آب و هوا طی چند دهه گذشته ، اطمینان کلی طرح ریزی با مهارت مدل به طور پیوسته کاهش نیافته است.ما گروه های همبستگی را معرفی می کنیم ، یک رویکرد جدید برای تعیین کمیت عدم اطمینان در پیش بینی های آب و هوا بر اساس استنباط کنفورماسی برای کاهش عدم اطمینان پیش بینی.بر خلاف روشهای سنتی ، گروه های کنفورماسیونی یکپارچه مجموعه های مدل آب و هوا و داده های مشاهده ای را در طیف وسیعی از مقیاس ها برای تولید برآورد آماری دقیق و آسان برای تفسیر غیرقابل تفسیر ادغام می کنند.این می تواند برای هر متغیر آب و هوایی با استفاده از هر روش تجزیه و تحلیل گروهی اعمال شود و از روشهای تنوع بین مدل موجود در کمیت عدم اطمینان در تمام افق های زمانی و بیشتر مکان های مکانی تحت SSP2-4.5 استفاده کند.گروه های همبستگی نیز از نظر محاسباتی کارآمد هستند ، به حداقل فرضیات نیاز دارند و نسبت به اندازه گیری انطباق بسیار قوی است.آزمایشات نشان می دهد که هنگام تهویه پیش بینی های آینده در مورد داده های تجزیه و تحلیل تاریخی در مقایسه با رویکردهای متوسط ​​گروه استاندارد ، مؤثر است ، و پیش بینی های جسمی سازگارتر را به همراه دارد.